論文の概要: MAEO: Multiobjective Animorphic Ensemble Optimization for Scalable Large-scale Engineering Applications

• arxiv url: http://arxiv.org/abs/2604.26973v1
• Date: Sun, 26 Apr 2026 15:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.68548
• Title: MAEO: Multiobjective Animorphic Ensemble Optimization for Scalable Large-scale Engineering Applications
• Title（参考訳）: MAEO: スケーラブルな大規模エンジニアリングアプリケーションのための多目的同型アンサンブル最適化
• Authors: Omer F. Erdem, Dean Price, Paul Seurin, Majdi I. Radaideh,
• Abstract要約: 本研究は,多目的Animorphic Ensemble Optimization (MAEO) フレームワークを提案する。 島をベースとしたアーキテクチャの中で、最先端の進化的アルゴリズムを統一する。 結果から,MAEOは,先行する多目的最適化アルゴリズムのいくつかの性能や適合性を向上し,バランスの取れた収束・多様性を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.1259953341639576
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multiobjective optimization remains challenging for many scientific and engineering problems due to the need to balance convergence, diversity, and computational efficiency across high-dimensional objective landscapes. This work presents the Multiobjective Animorphic Ensemble Optimization (MAEO) framework, a parallelizable ensemble strategy that unifies state-of-the-art evolutionary algorithms within an island-based architecture, overcoming the limitations of relying on a single optimizer, as implied by the No Free Lunch theorem. MAEO uses a parameter-free hypervolume indicator for island performance assessment and a strict Pareto-rank-based individual scoring formulation that incorporates crowding distance and nadir-point proximity to ensure consistent selection pressure within each front. The framework is initiated using four algorithms (NSGA-III, CTAEA, AGEMOEA2, SPEA2) and evaluated through extensive benchmarking on 12 DTLZ/ZDT functions under 36 dimensionality settings using Wilcoxon signed-rank tests with both hypervolume and inverse generational distance metrics. Results show that MAEO achieves balanced convergence-diversity performance, outperforming or matching some of the leading multiobjective optimization algorithms across different benchmark problems. To demonstrate practical applicability, MAEO is applied to the equilibrium-cycle optimization of a small modular nuclear reactor. Eight discrete design variables (and three objectives (levelized cost of electricity, peak soluble boron concentration, fuel cycle length) are optimized under two safety constraints. The algorithm carried out roughly 40000 evaluations using computer simulations. MAEO identifies core designs that lower both the levelized cost of electricity and the peak boron concentration, while preserving fuel cycle length and meeting all safety constraints.
• Abstract（参考訳）: 多目的最適化は、高次元のオブジェクトランドスケープにおける収束性、多様性、計算効率のバランスをとる必要があるため、多くの科学的・工学的な問題に対して依然として困難である。 この研究は、島型アーキテクチャにおける最先端の進化アルゴリズムを統一する並列化可能なアンサンブル戦略であるMultijective Animorphic Ensemble Optimization (MAEO) フレームワークを提示し、No Free Lunchの定理によって示されるように、単一のオプティマイザに依存する制限を克服する。 MAEOは、島のパフォーマンス評価のためのパラメータフリーなハイパーボリュームインジケータと、群集距離とナディア点近接を組み込んだ厳密なパレートに基づく個人スコア定式化を使用して、各フロント内で一貫した選択圧を確保する。 このフレームワークは、4つのアルゴリズム(NSGA-III, CTAEA, AGEMOEA2, SPEA2)を用いて開始され、超体積および逆世代距離の測定値を用いてウィルコクソン符号ランクテストを用いて、36次元条件下での12のDTLZ/ZDT関数の広範なベンチマークによって評価される。 その結果、MAEOは、異なるベンチマーク問題にまたがる主要な多目的最適化アルゴリズムの性能や性能を向上し、バランスの取れたコンバージェンス・ダイバーシティのパフォーマンスを達成できることが示されている。 実用性を示すため、小型モジュール型原子炉の平衡サイクル最適化にMAEOを適用した。 8つの個別設計変数(および3つの目標(電気の標準コスト、ピーク可溶性ホウ素濃度、燃料サイクル長さ)は2つの安全制約の下で最適化される。 このアルゴリズムはコンピュータシミュレーションを用いて約4000万の評価を行った。 MAEOは、燃料サイクルの長さを保ち、すべての安全制約を満たすとともに、電力のレベル化コストとピークホウ素濃度の両方を下げるコア設計を特定する。

関連論文リスト

• MO-SAE:Multi-Objective Stacked Autoencoders Optimization for Edge Anomaly Detection [4.037548309391426]
  Stacked AutoEncoders (SAE) はエッジ異常検出のシナリオで広く採用されている。 しかし、SAEのリソース集約性は、エッジデバイスに重大な課題をもたらす可能性がある。 本稿では、これらの重要な要素を協調的に考慮し、バランスよく適応的なシステムレベルの最適化を実現するための統合最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-14T11:10:59Z)
• Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP [50.917107318582715]
  MIP(Mixed-integer Programming)は、連続型と整数型の両方の決定変数を組み込むことで線形プログラミングを拡張する。 本稿では,高性能MIPソルバであるHiGHSに対して,決定論的並列分岐結合の完全なオープンソース実装を初めて提案する。 本手法では,ワーカスレッド間で完全なソルバ状態を複製することにより,厳密な決定性を保証する新しいデータ並列アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-02-10T14:17:53Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• Multi-start Optimization Method via Scalarization based on Target Point-based Tchebycheff Distance for Multi-objective Optimization [2.9248680865344348]
  多目的最適化(multi-jective optimization)は、競合する目的間のトレードオフのバランスをとるための、科学的および工業的応用において重要である。 NSGA-IIIやMOEA/Dのような最先端の手法は、多くの目的に対処できるが、カバレッジの問題には対処できない。 これらの課題に対処する新しいマルチスタート最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-05-01T02:27:25Z)
• Harnessing the Power of Gradient-Based Simulations for Multi-Objective Optimization in Particle Accelerators [5.565261874218803]
  本稿では, 粒子加速器の深部微分可能強化学習アルゴリズムを用いてMOO問題の解法における微分可能性の効果を示す。 基礎となる問題は、個々の状態と行動の両方に厳密な制約を課し、ビームのエネルギー要求に対する累積的(グローバル)制約を課している。
  論文  参考訳（メタデータ） (2024-11-07T15:55:05Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Max-value Entropy Search for Multi-Objective Bayesian Optimization with Constraints [44.25245545568633]
  航空電力システム設計の応用においては、運動温度とセル電圧の比しきい値を満たすとともに、総エネルギーと質量をトレードオフする設計を見出す必要がある。 本稿では,制約付き多目的最適化のためのem Max-value Entropy Search (MESMOC) と呼ばれる新しい手法を提案する。 MESMOCは、出力空間エントロピーに基づく取得関数を使用して、評価のための入力のシーケンスを効率的に選択し、高品質なパリトセットソリューションを明らかにする。
  論文  参考訳（メタデータ） (2020-09-01T05:00:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。